Descriptif
Deep Learning a révolutionné le domaine de l'intelligence artificielle et est devenu un outil essentiel dans de nombreuses applications, telles que la vision par ordinateur, le traitement du langage naturel, l'apprentissage de la représentation graphique et la reconnaissance vocale. Le domaine de Deep Learning est toujours en constante évolution avec de nouvelles techniques et architectures développées à un rythme effréné. Dans ce contexte, il est essentiel pour les aspirants praticiens de l'apprentissage profond de se tenir au courant des dernières avancées dans le domaine.
La classe sera évaluée avec une combinaison de devoirs, de quizzes et de projets d'équipe. Plus de détails plus tard.
La langue principale du cours est l'anglais.
Objectifs pédagogiques
L'objectif principal de ce cours est d'initier les étudiants aux principes avancés de Deep Learning, y compris les fondements mathématiques, la conception d'architecture et les applications pratiques. Ce cours est particulièrement pertinent compte tenu de l'état actuel du marché du travail, où les compétences d'apprentissage en profondeur sont très demandées dans de nombreux secteurs, notamment la technologie, la finance, la santé et le divertissement.
Diplôme(s) concerné(s)
- M2 DAIIG - Maj. DATAAI - Donnees et intelligence artificielle
- M1 DAIIG - Maj. IGD - Interaction, graphiques et design
- M2 DAIIG - Maj. IGD - Interaction, graphiques et design
- Programmes d'échange internationaux
- M1 DAIIG - Maj. DATAAI - Donnees et intelligence artificielle
- Titre d’Ingénieur diplômé de l’École polytechnique
- MScT-Cybersecurity (CyS)
- AUDITEURS - IP Paris
- MScT-Visual Computing and Creative AI
- MScT-Artificial Intelligence and Advanced Visual Computing
- MScT-Trust and Responsible AI
- M2 CCSN - Maj. CPS - Système Cyber Physique
Parcours de rattachement
- MScT AI-ViC - Semestre 2
- M2 - Interaction, graphisme et design - Master 2A
- AUDITEURS - IP Paris - Non diplomant - ENSTA
- M2 - Données et intelligence artificielle - Master 2A
- MScT CyS - Semestre 2
- M1 - Interaction, graphisme et design - Master 1A
- PA-Panaché P2
- M1 - Données et intelligence artificielle - Master 1A
- MScT-Visual Computing and Creative AI - 1ère année Master of Science and Technology (Graduate degree)
- MScT-Trust and Responsible AI
- M2CPS - Semestre 1 - Electifs hors maquette
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Deep Learning Classes
Pour les étudiants du diplôme MScT-Visual Computing and Creative AI
Deep Learning Classes
Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing
Deep Learning Classes
Pour les étudiants du diplôme MScT-Trust and Responsible AI
Deep Learning Classes
Format des notes
Numérique sur 20Littérale/grade américainPour les étudiants du diplôme Programmes d'échange internationaux
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 0 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-Artificial Intelligence and Advanced Visual Computing
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 4.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 CCSN - Maj. CPS - Système Cyber Physique
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme AUDITEURS - IP Paris
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 DAIIG - Maj. DATAAI - Donnees et intelligence artificielle
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 DAIIG - Maj. DATAAI - Donnees et intelligence artificielle
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M2 DAIIG - Maj. IGD - Interaction, graphiques et design
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme M1 DAIIG - Maj. IGD - Interaction, graphiques et design
Le rattrapage est autorisé (Note de rattrapage conservée)- le rattrapage est obligatoire si :
- Note initiale < 7
- le rattrapage peut être demandé par l'étudiant si :
- Note initiale < 7
- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-Visual Computing and Creative AI
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 4.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-Trust and Responsible AI
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 4.5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme MScT-Cybersecurity (CyS)
Le rattrapage est autorisé (Max entre les deux notes)- Crédits ECTS acquis : 4 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Programme détaillé
- Symmetry in Deep Learning Representations (JL)
- Robustness in Deep Learning (JL) & Self-Supervised Learning (VK)
- Self-Supervised Learning (VK)
- Neural Fields (XW)
- Differentiability in Deep Learning & Analysis-by-Synthesis (XW)
- Amortized Inference (XW)
- Efficient Deep Learning through Distillation (YZ)
- Rethinking the Role of Sampling in Modern Deep Learning (YZ)
- Deep Learning and Physics (YZ)